面向时空特征学习的脉冲时序依赖可塑性网络新探
计算机视觉与模式识别
2022-02-23 v4 神经与进化计算
摘要
我们为脉冲神经网络（SNNs）中的无监督脉冲时序依赖可塑性（STDP）学习提出新的理论基础。与多数先前工作采用的经验性参数搜索不同，我们为 SNN 与 STDP 参数调优提供新颖理论依据，大幅减少设计时间。利用我们的通用框架，我们提出一类全局、基于动作与卷积的 SNN-STDP 架构，用于从基于事件的相机学习时空特征。我们在 N-MNIST、CIFAR10-DVS 与 IBM DVS128 Gesture 数据集上评估方法，这些数据集均用真实世界事件相机采集。借助我们的框架，我们报告了相较传统最优基于事件的特征描述子（CIFAR10-DVS 上 +8.2%）以及相较最优基于 STDP 的系统（N-MNIST 上 +9.3%，IBM DVS128 Gesture 上 +7.74%）分类准确率的显著提升。我们的工作既有助于神经形态边缘设备中的超低功耗学习，也迈向一种生物合理、基于优化的皮层视觉理论。
引用
@article{arxiv.2111.00791,
title = {A New Look at Spike-Timing-Dependent Plasticity Networks for Spatio-Temporal Feature Learning},
author = {Ali Safa and Ilja Ocket and André Bourdoux and Hichem Sahli and Francky Catthoor and Georges Gielen},
journal= {arXiv preprint arXiv:2111.00791},
year = {2022}
}